基于改進模板匹配算法的物料計數方法研究

韓 碩， 陳曉榮， 張彩霞， 郭蓉蓉， 王曉龍

(上海理工大學 光電信息與計算機工程學院，上海 200093)

1 引 言

隨著科技的高速發(fā)展，各領域對物料計數的要求也在大幅度提高。目前，物料計數方法主要有人工檢測法、稱重法和光電檢測法等。其中，人工檢測法的工作強度大、效率低并且容易受到主觀因素的影響，導致計數準確率不高。稱重法對物料的質量均勻性要求較高，容易因為物料之間的差異性造成計數錯誤。光電檢測法更適用于物料依次通過的情況，在多個物料并排通過或者發(fā)生粘連時容易出現計數錯誤，并且光電管存在一定程度的滯后反應，使計數準確度降低，無法滿足工業(yè)生產中實時、高效的計數檢測要求[1]。針對上述情況，研究能夠對物料進行自動計數的檢測方法，可以有效提高檢測效率和準確性。由于要保證物料計數的實時性，所以采集的每1幅圖像較小，1個完整的物料無法呈現在1幅圖像中。隨著數字圖像處理技術的進步而發(fā)展起來的圖像拼接技術則為這一問題提供了很好的解決方法。

Lowe[2]等提出了尺度不變特征變換(scale-invariant feature transform,SIFT)算法，可在圖像中檢測出關鍵點進行匹配，并且不受光照影響，但是當待測物體出現較大形變時，其匹配準確度較低；Brown[3]等提出了一種稱為Auto Stitch的全局對齊方法來自動縫合多幅圖像，但當場景接近平面時，可能會出現錯位和偽影，導致具有視差的圖像無法精確對齊；張見雙[4]等提出Harris角點檢測算法提取圖像中的特征點，結合使用RANSAC剔除誤匹配點，提高了匹配精度，但是該算法對尺度較敏感，并且其消耗的時間較長；Hu[5]等提出圖像高斯金字塔變換(Gaussian pyramid transformation,GPT)匹配算法，采用遍歷匹配方法保證了匹配的準確性，但是用時較長；Gong[6]等提出使用粒子群算法(particle swarm optimization,PSO)搜尋最佳匹配位置，減少了匹配次數從而縮短匹配時間，但是易過早收斂陷入局部解，容易導致匹配準確性不高。上述方法取得了一定效果，然而拼接時間較長并且在圖像匹配準確度上依然存在一定的缺陷。

模板匹配算法(template matching algorithm，TMA)是一種圖像拼接算法，TMA與SIFT、GPT和PSO等算法相比，具有原理簡單、適用面廣、魯棒性能好等特點[7～9]，然而TMA算法匹配的搜索范圍較廣，算法運行時間長。本文在傳統模板匹配算法的基礎上，提出了一種基于雙模板搜索方式和位置約束r的改進模板匹配算法(improved template matching algorithm，ITMA),將ITMA與Canny邊緣檢測算法相結合，通過Canny邊緣檢測算法求解ITMA模板，求出最優(yōu)邊緣，從而獲得最佳的模板圖像，然后對圖像進行拼接，實現物料計數。

2 Canny邊緣檢測算法

Canny邊緣檢測算法是Canny于1986年研究出來的一個多級邊緣檢測算法[10～13]，本文采用Canny邊緣檢測算法來檢測圖像的邊緣像素可以做到降低錯誤率，精確定位到物料邊緣位置，便于后續(xù)物料圖像的匹配。Canny算法具體步驟為：

步驟1：高斯濾波。由于受到拍攝硬件設施、采集環(huán)境等因素的影響，導致采集到的圖像存在截然不同的成像特性，這些特性對后續(xù)算法處理有很大的影響。為了盡可能減少噪聲對邊緣檢測結果的影響，采用高斯濾波完成圖像去噪，便于后續(xù)對圖像的邊緣檢測。

(1)

式中G(x,y)是標準差為σ的二維高斯核。

平滑后圖像g(x,y)表示為：

g(x,y)=f(x,y)*G(x,y)

(2)

式中f(x,y)為初始圖像。

步驟2：計算梯度值和梯度方向值?；叶葟姸茸兓顝姷奈恢眉刺荻确较颍ㄟ^計算水平方向梯度Gx和垂直方向梯度Gy來檢測圖像中的水平、垂直和對角邊緣，即可確定像素點的梯度幅值和方向。

水平方向的梯度為：

(3)

垂直方向的梯度為：

(4)

該像素點的梯度的幅值和方向分別為：

(5)

θ=arctan(Gy/Gx)

(6)

步驟3：進行非極大值抑制。對圖像進行梯度計算后，并不能夠提取出比較清晰的邊緣，需要使用非極大值抑制來尋找像素點的局部最大值，將非極大值點所對應的灰度值抑制為0，這樣就可以篩除一部分不屬于邊緣的點。

3 改進模板匹配算法

3.1 傳統模板匹配算法

模板匹配算法是尋找待測圖像中具有模板圖像相同特征的算法之一，其尋找待測圖像中的每一個可能的位置，計算模板的所有相關位姿與圖像各個位置的相似度，當相似度足夠高時，則認為找到目標[14～20]。該算法相較于其他匹配算法，易于實現，匹配速度較快，因此本文選用模板匹配算法作為圖像拼接的主要方法。

模板匹配算法的基本思想是首先確定模板圖像，以模板圖像T與待測圖像S的原點為參考點，使模板圖像T在待測圖像S的區(qū)域內以平移的形式進行搜索，待測圖像被模板覆蓋的區(qū)域為子圖Si,j。搜索范圍為：

1≤i≤W-M

(7)

1≤j≤H-N

(8)

式中：M,N表示模板圖像T的像素個數；W,H表示待測圖像S的像素個數；i,j為模板覆蓋區(qū)域左上角在待測圖像S上的坐標。

通過比較模板圖像與待測圖像中被模板圖像覆蓋區(qū)域的相似度，完成模板匹配過程。歸一化相關系數衡量模板T和子圖Si,j的匹配程度，其計算式為：

(9)

式中：R(i,j)表示(i,j)處圖像的相關系數，0≤R(i,j)≤1；(s,t)表示在模板內的所有像素點；E(Si,j)、E(T)分別表示(i,j)處待測圖像和模板圖像的平均灰度值。

模板匹配就是尋找最佳匹配位置的過程，歸一化相關系數R越大，待測圖像與模板的相似度越高；當模板在待測圖像上搜索所得最大R(i,j)時，其對應的點(i,j)就是最佳匹配位置，則完成圖像匹配的過程。

3.2 改進模板匹配算法

由于模板匹配算法存在難以實現實時性的缺點，本文提出基于雙模板搜索方式和位置約束系數的改進模板匹配算法(ITMA)來提高傳統算法的運行速度和準確度。

3.2.1 雙模板搜索方式

圖1 雙模板搜索示意圖

由于采用背光照射方式采集圖像，待測圖像目標與背景灰度值相差較大，且目標灰度值小于背景灰度值，所以小于待測圖像灰度平均值E(S)的區(qū)域即為目標像素區(qū)域；在縮小匹配區(qū)域后，可得到待測圖像目標像素區(qū)域高度hs，最后在目標像素區(qū)域內尋找與模板匹配的區(qū)域即可，從而減少了算法的運行時間。

3.2.2 位置約束系數r

在待測圖像目標區(qū)域中，同時也存在與模板不匹配的區(qū)域，會導致模板匹配過程中尋找最佳匹配位置時出現誤差。為了提高匹配的準確度，本文加入一個位置約束系數r，以減少待測圖像目標區(qū)域與模板不匹配的區(qū)域。

令搜索區(qū)域F=rhs，其中：

(10)

式中：gr表示模板圖像重心的高度；gs表示待測圖像目標區(qū)域重心的高度。

綜上所述，將位置約束系數r作為匹配時求取最優(yōu)解時的約束條件，結合歸一化相關系數R(i,j)可以精確求取最優(yōu)解。

3.3 基于ITMA算法的步驟與流程

將本文提出的圖像拼接算法ITMA與Canny邊緣檢測算法相結合，用Canny邊緣檢測算法求最優(yōu)模板圖像，為匹配做最佳準備。

步驟1：獲取最優(yōu)模板圖像T。利用Canny邊緣檢測算法提取物料圖像最佳邊緣特征，作為最優(yōu)模板圖像。

步驟2：雙模板搜索。將模板圖像T分成T1和T2兩部分并計算圖像灰度平均值E(S)，在待檢測圖像S上進行雙模板搜索?；叶戎敌∮贓(S)的區(qū)域記為目標區(qū)域D1，反之則記為背景區(qū)域D2。

步驟3：約束目標區(qū)域D1。將位置約束系數r作為匹配求取最優(yōu)解時的約束條件，約束條件為式(10)。

步驟4：獲取匹配最優(yōu)解。根據式(11)計算模板和檢測到的與模板相匹配的圖像誤差，并結合式(9)獲取匹配最優(yōu)解。

(11)

式中E(i,j)為最小值即為匹配目標。

步驟5：判斷E(i,j)得到最小值和R(i,j)得到最大值的匹配目標是否為同一目標。如果是同一目標則記為Sbest，Sbest為最佳匹配目標。否則重復步驟2～步驟5。

3.4 物料計數

物料在運動過程中存在一些影響因素，導致物料計數有一定的復雜性[21,22]。主要分為2種情況；第1種是每個物料之間互相獨立；第2種是物料之間存在一定的粘連。具體物料計數步驟為：

步驟1：取得單個標準樣本的面積特征作為判定物料是否存在粘連的準則。

步驟2：雙峰法閾值分割。由于采用背光照射方式，物料全景圖中目標與背景灰度對比度相差較大，所以采用雙峰法閾值分割。將灰度值0和平均灰度Kr分別作為閾值分割的最小閾值和最大閾值，準確分割出背景與目標，對分割后的目標連通域進行計數。

步驟3：判斷是否存在物料粘連。將連通域區(qū)域面積與單個標準樣本面積進行對比，判定大于單個標準樣本面積的區(qū)域存在物料粘連。

步驟4：斷開粘連部分。先對物料區(qū)域進行填充，減少腐蝕對存在孔洞的物料的影響，再通過腐蝕將物料粘連部分斷開。

步驟5：物料計數。將粘連斷開后，通過對處理后的全景圖像的連通域進行計數，得到物料數目。

4 實驗結果及分析

4.1 實驗平臺搭建

根據物料下落特點，設計了一套圖像采集裝置，整個裝置包括1個面陣相機、1個LED光源、1個置物架以及1個接收掉落物料的盒子，如圖2所示。

圖2 圖像采集裝置圖

在設計圖像采集裝置中，曝光時間、曝光速度和照明方式是其中非常重要因素。曝光時間決定了圖像的清晰度；曝光速度決定了在相同采集環(huán)境下，采集到的多幅圖像中每相鄰的2幅圖像之間是否存在重疊的部分；照明方式則會影響圖像的成像效果以及后續(xù)圖像處理所需的時間[23]。為方便后續(xù)物料圖像拼接，盡可能使采集到的連續(xù)圖像之間存在重疊區(qū)域，因此需要根據物體下落速度設置曝光速度，物體下落速度越快，設置的曝光速度則需越大。經過大量實驗，曝光速度設置在800～1 200幀/s之內可以滿足本實驗中的物料拼接要求。本文中相機參數設置見表1所示，采用背光照射的方式使背景與目標產生較大的灰度差，突出物料圖像的邊緣特征。

表1 采集過程中相機參數設置

4.2 實驗結果

本文采用安全帶插片、大蒜、小鏟子3種物料作為實驗樣本，由于采集到的單幀圖像無法顯示1個完整物料，每1種單個完整物料存在于多幀圖像中，其中每1種單個物料在掉落過程中按照采集順序得到的連續(xù)10幀圖像如圖3所示。

圖3 采集到的物料圖像

為驗證本文算法優(yōu)化效果，分別用傳統TMA算法、GPT優(yōu)化TMA算法[5]和本文算法對3種物料進行實驗，圖4為在相同環(huán)境下分別對安全帶插片、大蒜和小鏟子進行拼接實驗效果圖。

圖4 3種物料拼接部分效果圖

實驗表明，在相同實驗環(huán)境下，傳統TMA算法和GPT優(yōu)化TMA算法拼接效果不佳，存在拼接錯位現象;錯位現象的出現容易將1個物料判斷為多個，從而導致物料計數錯誤。本文算法能夠較好地拼接出物料全景圖，不存在錯位現象，具有較好的拼接效果。

4.3 實驗分析

4.3.1 系統穩(wěn)定性驗證

為了驗證本文算法的高效穩(wěn)定性，本文以主頻2.1 GHz，內存8 GB的處理器為系統實驗環(huán)境。選取安全帶插片、大蒜以及小鏟子3種物料，其中安全帶插片450個，大蒜235個，小鏟子538個。采集大小為1 344×87的物料圖像進行處理，通過其他兩種算法以及本文算法對物料進行檢測，其檢測結果見表2。

由表2可知，本文算法對物料數量檢測的準確度達到97.36%以上，表明，本文算法對于物料計數的檢測具有準確度高，可靠性好的優(yōu)點。

表2 物料檢測結果

4.3.2 物料計數準確度對比

由于傳統TMA算法和GPT優(yōu)化TMA算法在進行拼接時精度較低，出現的錯位情況較多，導致計數準確度不高。

本文算法與傳統TMA算法相比，計數準確度由77.32%提高到97.36%以上，與GPT優(yōu)化TMA算法相比，計數準確度由84.94%提高到97.36%以上，由此可知通過本文算法進行處理，物料的計數準確度得到有效提升。

4.3.3 物料拼接時間對比

3種不同算法的物料拼接時間對比結果如表3所示。由表3可知，本文算法與傳統TMA算法相比，處理一張樣本圖片的平均時間由0.013 s縮短為0.008 s，與GPT優(yōu)化TMA算法相比，處理一張樣本圖片的平均時間由0.011 s縮短為0.008 s。由此可知，本文算法有效減少了物料拼接時間，提高了物料計數檢測效率。

表3 3種算法拼接時間對比結果

4.3.4 拼接精度對比

方根誤差(RMSE)可用于比較不同模型在同一數據集上的預測表現。拼接誤差越大均方根誤差越大，本文采用均方根誤差來衡量拼接結果的精度[24]。3種算法拼接后圖像均方根誤差對比結果見圖5。由圖5可知，對于3種物料，采用本文算法拼接后的圖像均方根誤差較小，即錯位情況較少；因此本文算法的拼接精度高，可以克服傳統算法的缺點，大幅度減少圖像拼接的錯位情況，避免物料計數錯誤。

圖5 3種算法均方根誤差對比結果

5 結 論

本文提出了一種基于雙模板搜索和位置約束系數的改進模板匹配物料計數算法。通過對改進的模板匹配算法進行穩(wěn)定性檢測以及與其他兩種算法的檢測結果進行對比，驗證本文算法在檢測時間、拼接精度以及計數準確度等方面都得到了有效的提高；實驗中存在的誤差可能是因為在進行物料圖像采集時，存在物料大面積粘連的情況，需要進一步改進硬件設備并且進行更深入的算法研究。實驗證明了改進的模板匹配算法具有穩(wěn)定性好、準確性高和檢測速度快的特點，可以滿足工業(yè)生產中物料計數的要求。